Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido"

Transcripción

1 Contenido Introducción al Diseño de Experimentos para el Reconocimiento de Patrones Capítulo 3: Redes Neuronales Artificiales Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón Hurtado Marzo Repaso de conceptos fundamentales. 2. Técnicas de clasificación con RNA. 1. Caso especial de las Series Temporales. 2. Preprocesamiento de los datos. 3. Estudio de la Importancia de los datos 4. El conjunto de entrenamiento.. Evaluación de la clasificación. 1. Función Coste. 2. Matriz de Confusión. 3. y DET. 4. Caso de Múltiples Clases Resustitución. 2. Holdout. 3. Leave k out. 4. Validación cruzada.. Bootstrapping. 2 Repaso de conceptos Una red neuronal es un procesador masivamente paralelo distribuido que es propenso por naturaleza a almacenar conocimiento experimental y hacerlo disponible para su uso. Aprende por ejemplos, ajustando los pesos de las conexiones entre los elementos que la constituyen. Elemento de proceso. Capa. Regla o algoritmo de aprendizaje Paradigma de aprendizaje: forma en que la RNA interactúa con su entorno. supervisado, no supervisado, por refuerzo, híbrido. Modo de operación: síncrono / asíncrono Sin realimentación / Con realimentación RNA frente a otros modelos de procesamiento Eminentemente paralela. Habitualmente no se aprovecha esta característica Enfoque intrínsecamente modular. Neurona capas redes sistema Procesamiento no simbólico de la información. Representación distribuida de la solución. Tolerancia a fallos. Robustez ante entradas ruidosas o incompletas. Es un modelo de caja negra. Por lo general no justifica las respuestas 3 4 Tipos de RNA más utilizados Perceptrón. Algoritmo de aprendizaje: Regla Delta. Separabilidad lineal. Teorema de convergencia del MLP. MLP. Algoritmos de aprendizaje: BP, Gradiente conjugado,... Retropropagación en el tiempo. MLP como generador de universal de funciones. Sobreentrenamiento. Variantes con realimentación: Jordan, Elman. SOM. LVQ. RBF. xˆ (t + 1) Elemento de proceso x(t) x(t-1) x(t-p) de contexto xˆ (t + 1) x(t) x(t-1) x(t-p) Capa de Estado Técnicas de Clasificación con RNA Enfoque básico. No supervisado. SOM. Por refuerzo. Supervisado. Establecimiento de las clases: codificación LVQ. MLP. Híbrido. RBF. 6 1

2 Técnicas de Clasificación con RNA Técnicas de Clas. con RNA: Series Temporales Enfoque autoasociativo. Se entrena la red con casos SÓLO de la clase a detectar: entrada = salida En prueba, Si el vector de entrada pertenece a la clase con la que ha sido entrenado, generará una salida parecida a él (idealmente sería una salida igual) (vector de entrada vector salida generada) próximo a cero si la entrada pertenece a la clase para la que fue entrenado. (vector de entrada vector salida generada) diferente de cero para otras clases distintas a la de entrenamiento. Salida Capa Oculta N Capa Oculta 1 Entrada Comparar El problema de las series temporales se puede considerar como: Clasificación. Pronóstico. Descripción. Transformación. Todos los problemas son intercambiables. 7 8 Técnicas de Clas. con RNA: Series Temporales Uso de ventanas. Generalmente para MLP y sistemas no recurrentes. Anchura de la ventana. Clase 1 No Clase 1 Modelo predictivo. Entrenar para predecir el siguiente valor de la serie RNA Clasificador formada por las instancias de la clase a detectar. Se recolecta la salida pronosticada al alimentar la red con una secuencia desconocida. t=1 t-n t=2 t=3 t-1 t=4 t t= t=6 Si la salida pronosticada es parecida a la salida real es que la secuencia presentada RNA que predice t+1 es de la clase para la que fue entrenada la red. Se puede usar un criterio de distancia entre vectores. t=0 t=1 t=2 t=3 t=4 t= Comparar Esquema básico de funcionamiento Fases Entrenar. Atención al sobreentrenamiento. Weight decay. Validar. Pretende determinar si el modelo es bueno. Evitar el sobreentrenamiento Early stopping. Evaluar Pretendemos obtener una estimación de la precisión de la clasificación. Uso con datos de un problema real. Dependiendo del caso: Entrenar + Validar. Entrenar + Evaluar. Entrenar + Validar + Evaluar. Dependiendo del número de fases, se debe hacer una división correcta de los datos disponibles Preprocesamiento de datos Preprocesamiento de los datos: Codificación Reescalar Casi siempre es recomendable para mejorar convergencia. Es obligatorio, por ejemplo para las salidas. El reescalado depende de la función de activación usada. Normalizar a [0,1] las salidas? NO si el criterio de parada de entrenamiento es el error de aprendizaje y la función de activación de salida es sigmoide. Estandarización (p.ej. a media 0 y varianza 1) es recomendable cuando están involucradas medidas de distancias, (p.ej. RBF). Normalización. Los vectores de datos se normalizan, p.ej. dividiendo por su módulo. Ej. Para SOM. No lineales para estudiar zonas específicas. Ej.: uso del logaritmo cuando Interesa una medida relativa de los valores. Se tiene una idea de que las entradas actúan de forma multiplicativa. 11 Codificación. Magnitudes progresivas. Es costoso en cuanto elementos de proceso conexiones. Magnitudes cíclicas. Usar códigos continuos y cíclicos. P.ej. para representar ángulos. Es costoso en elementos de proceso conexiones. Valor alto Valor medio Valor bajo Valor muy bajo 0-44º 4-89º º º º º º 31-39º 12 2

3 Preprocesamiento de datos: Series Temporales Estacionalidad: Filtrado Estudio de la serie temporal: Muy interesante la representación gráfica. Determinar Estacionaridad. Estacionalidad. Dominio temporal Autocorrelación. Dominio frecuencial Transformada de Fourier (espectro frecuencial) Preprocesamiento Eliminación de la tendencia Determinar su existencia. Eliminación de la estacionalidad. Filtrado Datos Originales x(t), x(t+1),... Espectro de Potencia Periodicidad cada 4 muestras. Datos Filtrados x (t)=x(t)-x(t-4) 14 Preprocesamiento de datos: Series Temporales Coeficientes y funciones de de autocorrelación Existe relación o influencia entre los valores de una muestra y las que la precedieron en el tiempo? Son una medida de la relación (lineal) entre observaciones separadas K periodos de muestreo. Usada para determinar la anchura de la ventana temporal. Estudio de la Importancia de los datos Determinar qué datos de entrada son los más discriminantes. En teoría permitiría construir RNA más sencillas Aumentaría su potencia generalizadora. Análisis de la importancia de las entradas A priori: Análisis de Componentes Principales. Se puede hacer ACP incluso con RNA! - ACP no lineal. Análisis Factorial Discriminante.» Las variables medidas permiten realizar la clasificación buscada?» Cómo se comporta cada variable en cuanto a su efecto sobre la clasificación?» Cuáles son las variables o grupos de variables que mejor ayudan a la clasificación? Busca» Máxima distancia entre clases.» Mínima distancia intra-clase. A posteriori: Análisis factorial. Análisis de pesos (después del entrenamiento). Poda 1 16 Diseño del conjunto de entrenamiento Abundancia relativa de tipos en la población. Técnicas de igualación: Al menos numeroso. Al más numeroso. Generar casos próximos por agregación de ruido (jitter). Mantener la variabilidad. Evitar el sobreentrenamiento usando muchas muestras. Siempre acorde con el tamaño de red. Prestar atención a los casos de frontera (Bordeline cases) Los no-borderline aportan información poco relevante. Posibles alternativas: Replicar los borderline. Dos fases de entrenamiento: 1. Con todos. 2. Después con los difíciles. Diseño del conjunto de entrenamiento Casos atípicos Datos fuera de rango Son realmente casos válidos o fallos de lectura? Descartarlos? Datos perdidos Representarlos por entradas especiales. Reemplazarlos por datos estándar. En cualquier caso valorar si es posible tomarlos de nuevo

4 Evaluación de la Clasificación La medida más adecuada depende de la tarea. Error cuadrático medio. No parece adecuado para tareas de clasificación. Todas las salidas tienen el mismo peso. Función de coste COSTE = q i p i c i qi = probabilidad a priori de la clase i pi = probabilidad de que la red falle al detectar la clase i. ci = coste de los fallos al detectar la clase i. Se puede particularizar para cada tipo de fallo. Una forma de ver esto es con la Matriz de Confusión. Matriz de Confusión Tantas filas como clases en los datos. Normal Benigno Maligno Tantas columnas como Normal clasificaciones pueda realizar el sistema una columna de casos no reconocidos Se la suele asociar a un umbral sobre la salida de las otras clases En la celda el número de casos tipo i, que clasificados como j. Benigno también probabilidades Lo ideal es una matriz diagonal Más detalle si se usa función coste El punto clave es decidir los ci. Ligeras variaciones pueden hacer Maligno que cambie mucho el coste Esta misma idea se puede usar para optimizar el aprendizaje (usando funciones de coste en vez de RMSE) Matriz de Confusión y Teoría de la Información La Matriz de confusión puede interpretarse como la matriz que define un canal que emborrona la salida de un hipotético clasificador perfecto. Un clasificador será bueno cuanta mayor certeza sobre la clase real al observar la clase pronosticada. Cambiar certeza por entropía (o incertidumbre media): H(Ω)= - p i log(p i ), siendo p i la probabilidad de pronosticar la clase i. Interesa que el hecho de observar la salida del clasificador haga disminuir la incertidumbre sobre la verdadera clase. Información mutua: disminución de la incertidumbre sobre la clase de los datos de entrada después de observar la salida del clasificador. entropía a priori - entropía a posteriori Matriz de Confusión y Teoría de la Información Idea interesante pero poco usada requiere un gran número de muestras (de entrenamiento y prueba) para poder evaluar las correspondientes probabilidades. Puede dar origen a técnicas de des-emborronamiento P.ej.: casos no reconocidos pueden ser asignados a la clase más probable Muestra Clasificador Ideal Clasificador construido Clase real (predicción perfecta) Matriz de Confusión (canal de información) Clase pronosticada En problemas de clasificación el sistema da una salida: Valor Bajo tipo A Valor Alto tipo No A Se puede fijar un umbral para hacer la separación (A, No A) Si y < u Tipo A Si y u Tipo B Tipos de errores: Error de tipo I: decir que la condición está presente, cuando en verdad es que no falsos positivos ó falsos aceptados. Error de tipo II: decir que la condición no está presente, cuando en verdad es que sí falsos negativos ó falsos rechazados. La probabilidad de estos errores depende del umbral. Sensibilidad: habilidad para detectar los verdaderos positivos. S=a/(a+b) Todo verdadero positivo ha de poder ser detectado. En este empeño pueden aparecer falsos positivos. Especificidad: capacidad de detectar aquello para lo que ha sido creado el clasificador. E=d/(c+d) Todo falso negativo debería poderse detectar. En este empeño pueden colarse falsos Idealmente S = 1.0 y E = 1.0, pero es muy difícil de obtener. Pronóstico X No X Total Clase Real X No X Total a c a+c b d b+d a+b c+d

5 Supongamos que hemos determinado las distribuciones de Clase A y No Clase A en función de un umbral de decisión. Salida < umbral Clase A Salida umbral No A. En situación real siempre hay solapamiento de ambas distribuciones. Densidad de probabilidad Aceptados Probabilidad de falsos rechazados Umbral Probabilidad de Falsos aceptados Rechazados Nivel de activación de la salida Curva ROC (Característica Operativa del Receptor). (falsas aceptaciones, falsos rechazos) parametrizada por el umbral. Hay un balance entre sensibilidad y especificidad. Un aumento en una se traduce en una reducción de la otra. Habrá una curva por cada clasificador. La eficiencia se mide por la superficie bajo la curva. Las curvas exteriores son mejores. Tasa de equierror: Medida muy popular. Misma proporción de falsos acertados y de verdaderos rechazados. Define un umbral. Proporción de Verdaderos Positivos (sensibilidad) u u u 9 8 u 7 u 6 u 4 u 3 u 2 u 1 Proporción de Falsos Positivos (1 especificidad) 2 26 Curvas DET (Detection Error Tradeoff) Las curvas ROC son difíciles de comparar distintas curvas pueden tener misma superficie bajo ellas. Se busca una representación cercana a la lineal. Se logra haciendo que los ejes tengan escalas no lineales. Se representan desviaciones normales en la desviación normal estandarizada correspondiente a esa probabilidad. Curvas DET Clasificadores Multiclase Codificación de las salidas: Con una salida se usa umbrales. Con varias salidas. Una salida para cada clase. Cuando hay alguna relación entre las distintas clases (por ejemplo, de orden). Codificación incremental. Agregar la clase desconocida. Se usa junto con umbrales: Múltiples Predicciones en Series Temporales Predicción (clasificación) a varios horizontes temporales. Clasificación de varias características a la vez. Si los horizontes temporales son próximos con una única RNA podría ser suficiente. Sopesar la modularización para evitar la interferencia Una RNA para cada pronóstico / clase. Problemas al determinar la bondad de la clasificación Se tiene que evaluar cada clase por diferentes criterios. Considerar este problema incluso en el aprendizaje. 29 Determinar de manera correcta una estimación de la exactitud de la clasificación. Permite elegir entre varios modelos de clasificadores. NO DETERMINAN LA CONFIGURACIÓN DEL CLASIFICADOR MÁS CORRECTO. Obliga a una división bien diferenciada entre datos de entrenamiento y prueba. Los datos de entrenamiento incluirán también (si se precisan) Determinación de umbrales. Validación y selección de otros parámetros. Dilema bias-variance. Originalmente sólo para problemas de regresión: error cuadrático = bias 2 + varianza No se conoce una fórmula equivalente para problemas de clasificación. Exactitud = promedio de casos correctamente clasificados 30

6 Resustitución Usa los mismos datos para entrenar y para probar. Resultados optimistas. Desaconsejable, salvo casos específicos: Sistemas de clasificadores lineales y muchos ejemplos. Holdout Del conjunto de datos disponibles se selecciona (muestrea) aleatoriamente dos conjuntos mutuamente excluyentes: Datos para entrenamiento (habitualmente 2/3 del total). Datos para prueba (habitualmente 1/3 del total). Es considerado como una evaluación pesimista. El número de datos reservados para entrenar es pequeño comparado con el total. Random Subsampling: se repite k veces el procedimiento anterior y se hace la media de las exactitudes obtenidas. Problema: las exactitudes calculadas no son datos independientes. Leave k-out Separar k datos, entrenar con los demás. Evaluar con los k datos apartados. Repetir lo anterior apartando otros k datos diferentes. Obtener una media de los resultados. Ofrece resultados no sesgados por la elección de los datos de prueba Validación cruzada Es una modificación del Leave-K-out. Dividir aleatoriamente el conjunto de datos D en K partes disjuntas {D 1,... D K }, procurando que tengan tamaños parecidos. El clasificador es entrenado y entrenado K veces, excluyendo en el entrenamiento cada vez uno de los subconjuntos: Entrenado con todos los D i excepto el k-ésimo Probado con D k. La precisión será la media de las K obtenidas. Garantiza haber probado con todos los datos. Es ligeramente pesimista. Hay otras posibilidades. Validación cruzada estratificada: conseguir que en cada subconjunto D i haya igual número de ejemplares de cada clase representada. Bootstrap Selecciona las muestras de entrenamiento de forma aleatoria, permitiendo la repetición de los ejemplos. En un conjunto de entrenamiento puede que no estén representadas todas las clases. En un conjunto de entrenamiento puede haber muestras repetidas varias veces

LA MEDIDA Y SUS ERRORES

LA MEDIDA Y SUS ERRORES LA MEDIDA Y SUS ERRORES Magnitud, unidad y medida. Magnitud es todo aquello que se puede medir y que se puede representar por un número. Para obtener el número que representa a la magnitud debemos escoger

Más detalles

Ciudad de Guatemala, 2013

Ciudad de Guatemala, 2013 Ciudad de Guatemala, 2013 1 Clase 5 Muestreo y tamaño de muestra D i e g o A y c i n e n a diegoaa@ufm.edu Universidad Francisco Marroquín 2 Clases (Profesores) H o r a r i o Actividades en Grupo (Todos)

Más detalles

Aprendizaje automático mediante árboles de decisión

Aprendizaje automático mediante árboles de decisión Aprendizaje automático mediante árboles de decisión Aprendizaje por inducción Los árboles de decisión son uno de los métodos de aprendizaje inductivo más usado. Hipótesis de aprendizaje inductivo: cualquier

Más detalles

Aprendizaje Automatizado

Aprendizaje Automatizado Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto

Más detalles

Análisis estadístico. Tema 1 de Biología NS Diploma BI Curso 2013-2015

Análisis estadístico. Tema 1 de Biología NS Diploma BI Curso 2013-2015 Análisis estadístico Tema 1 de Biología NS Diploma BI Curso 2013-2015 Antes de comenzar Sobre qué crees que trata esta unidad? - Escríbelo es un post-it amarillo. Pregunta guía Cómo podemos saber si dos

Más detalles

Aprendizaje Automatizado. Redes Neuronales Artificiales

Aprendizaje Automatizado. Redes Neuronales Artificiales Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano

Más detalles

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE

CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE Capítulo 4 Algoritmos de Aprendizaje 26 CAPÍTULO 4: ALGORITMOS DE APRENDIZAJE En este capítulo se proporcionan las descripciones matemáticas de los principales algoritmos de aprendizaje para redes neuronales:

Más detalles

TEMA 1. Introducción

TEMA 1. Introducción TEMA 1. Introducción Francisco José Ribadas Pena, Santiago Fernández Lanza Modelos de Razonamiento y Aprendizaje 5 o Informática ribadas@uvigo.es, sflanza@uvigo.es 28 de enero de 2013 1.1 Aprendizaje automático

Más detalles

Anexo 11. Valoración de la calidad de los distintos tipos de estudios

Anexo 11. Valoración de la calidad de los distintos tipos de estudios Anexo 11. Valoración de la calidad de los distintos tipos de estudios Ensayos Clínicos Un ensayo clínico aleatorizado (ECA) es un estudio experimental en el que se aplica una intervención a un grupo de

Más detalles

Análisis y cuantificación del Riesgo

Análisis y cuantificación del Riesgo Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 1 de agosto de 2003 1. Introducción Cualquier modelo de una situación es una simplificación de la situación real. Por lo tanto,

Más detalles

Curso de Inteligencia Artificial

Curso de Inteligencia Artificial Curso de Inteligencia Artificial Introducción al Aprendizaje Automático Gibran Fuentes Pineda IIMAS, UNAM Definición El aprendizaje automático es el estudio de los metodos para programar las computadoras

Más detalles

Validación de Métodos

Validación de Métodos Validación de Métodos Francisco Rojo Callejas Validación de Métodos Definiciones Parámetros básicos Requisitos Validación de Métodos El proceso de definir las condiciones analíticas y confirmar que el

Más detalles

CALIBRACIÓN Y CALIDAD

CALIBRACIÓN Y CALIDAD CALIBRACIÓN Y CALIDAD La preocupación por la calidad de los datos que se obtienen con la química analítica es responsabilidad de los científicos y técnicos. Éstos deben mantener en todo momento una actitud

Más detalles

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis

5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial. Curso de doctoramiento Técnicas de Computación Flexíbeis 5.1. Redes de aprendizaje supervisado basadas en la cuantificación vectorial Curso de doctoramiento Técnicas de Computación Flexíbeis Learning Vector Quantization (LVQ) Versión supervisada de SOM (SOM

Más detalles

UNIVERSIDAD DE CANTABRIA TESIS DOCTORAL

UNIVERSIDAD DE CANTABRIA TESIS DOCTORAL UNIVERSIDAD DE CANTABRIA ESCUELA TÉCNICA SUPERIOR DE INGENIEROS DE CAMINOS, CANALES Y PUERTOS TESIS DOCTORAL Desarrollo de una metodología para el estudio de la morfología de playas basado en mapas auto-organizativos

Más detalles

CURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS. Estadística y Herramientas cuantitativas. Obligatoria NÚMERO DE CREDITOS: 2

CURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS. Estadística y Herramientas cuantitativas. Obligatoria NÚMERO DE CREDITOS: 2 Error! Marcador no definido. Página 1 de 5 1. IDENTIFICACIÓN CURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS NOMBRE DE LA OFRECIDO PARA: CARÁCTER DE LA Estadística y Herramientas cuantitativas Maestria

Más detalles

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS 1 MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS Medidas de tendencia central Menú Analizar: Los comandos del menú Analizar (Estadística) ejecutan los procesamientos estadísticos. Sus comandos están

Más detalles

"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica

CONTRASTES DE HIPÓTESIS 4.4 Parte básica 76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha

Más detalles

Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso

Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón. Pedro A. Castillo Valdivieso Primer Hackathon Reto de IA de Google en la UGR Redes neuronales. El perceptrón Pedro A. Castillo Valdivieso Depto. Arquitectura y Tecnología de Computadores Universidad de Granada http://atc.ugr.es/pedro/gaicm1

Más detalles

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística

TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud

Más detalles

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN)

CLUSTERING MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) CLASIFICACIÓN NO SUPERVISADA CLUSTERING Y MAPAS AUTOORGANIZATIVOS (KOHONEN) (RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN) info@clustering.50webs.com Indice INTRODUCCIÓN 3 RESUMEN DEL CONTENIDO 3 APRENDIZAJE

Más detalles

ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS

ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS Estudio Financiero ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS Medir cuan sensible es la evaluación financiera a través de variaciones en las principales variables críticas del proyecto, de forma que

Más detalles

Una investigación australiana reveló que posiblemente la disminución

Una investigación australiana reveló que posiblemente la disminución CIENTÍFICOS TRABAJAN EN DETECCIÓN DE CÁNCER DE MAMA A TRAVÉS DE REDES NEURONALES ARTIFICIALES Constituye un apoyo para el médico y los radiólogos para evitar falsos diagnósticos Fernando Álvarez Una investigación

Más detalles

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica.

Indicadores de la Variable.- Son aquellas cualidades o propiedades del objeto que pueden ser directamente observadas y cuantificadas en la práctica. Las variables de un estudio. La variable es determinada característica o propiedad del objeto de estudio, a la cual se observa y/o cuantifica en la investigación y que puede variar de un elemento a otro

Más detalles

EL DISEÑO FACTORIAL COMPLETO 2 2

EL DISEÑO FACTORIAL COMPLETO 2 2 EL DISEÑO FACTORIAL COMPLETO 2 2 Joan Ferré Grupo de Quimiometría y Cualimetría Departamento de Química Analítica y Química Orgánica Universidad Rovira i Virgili (Tarragona) INTRODUCCIÓN Para optimizar

Más detalles

GERENCIA DE INTEGRACIÓN

GERENCIA DE INTEGRACIÓN GERENCIA DE INTEGRACIÓN CONTENIDO Desarrollo del plan Ejecución del plan Control de cambios INTRODUCCIÓN La gerencia de integración del proyecto incluye los procesos requeridos para asegurar que los diversos

Más detalles

Aprendizaje automático

Aprendizaje automático Aprendizaje automático Machine Learning 1 Aprendizaje automático Definición de aprendizaje Primer problema: desconocemos los mecanismos que rigen el aprendizaje humano Por esto las definiciones hacen hincapié

Más detalles

Neuronas Artificiales

Neuronas Artificiales Modelos básicos b de Redes de Neuronas Artificiales Julián n Dorado Departamento de Tecnologías de la Información n y las Comunicaciones Universidade da Coruña Contenidos Tema 10: Procesado temporal mediante

Más detalles

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:

Los valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas: Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

Inteligencia Artificial. Redes Neurales Artificiales

Inteligencia Artificial. Redes Neurales Artificiales Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:

Más detalles

MOOC UJI: La Probabilidad en las PAU

MOOC UJI: La Probabilidad en las PAU 3. Definición intuitiva de probabilidad: ley de Laplace La palabra probabilidad, que usamos habitualmente, mide el grado de creencia que tenemos de que ocurra un hecho que puede pasar o no pasar. Imposible,

Más detalles

Web: www.iesmarmenor.org Curso 2012-2013 MATEMÁTICAS-I 1ª EVALUACIÓN 2ª EVALUACIÓN 3ª EVALUACIÓN. La recta en el plano. (1 semana)

Web: www.iesmarmenor.org Curso 2012-2013 MATEMÁTICAS-I 1ª EVALUACIÓN 2ª EVALUACIÓN 3ª EVALUACIÓN. La recta en el plano. (1 semana) MATEMÁTICAS-I DISTRIBUCIÓN TEMPORAL DE LOS CONTENIDOS 1ª EVALUACIÓN 2ª EVALUACIÓN 3ª EVALUACIÓN Aritmética y Álgebra Trigonometría (4 semanas) Números complejos Vectores en el plano La recta en el plano

Más detalles

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS

CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la

Más detalles

Sistemas Conexionistas

Sistemas Conexionistas 1 Objetivo Sistemas Conexionistas Curso 2011/2012 El objetivo de esta práctica es usar un conjunto de redes de neuronas artificiales para abordar un problema de reconocimiento de figuras sencillas en imágenes

Más detalles

GUIA DE MANEJO DE EXCEL PARA LA ASIGNATURA ESTADÍSTICA DESCRIPTIVA

GUIA DE MANEJO DE EXCEL PARA LA ASIGNATURA ESTADÍSTICA DESCRIPTIVA GUIA DE MANEJO DE EXCEL PARA LA ASIGNATURA ESTADÍSTICA DESCRIPTIVA Proyecto Piloto ECTS CURSO 2006/07 1 MANEJO DE LA HOJA DE CALCULO EXCEL PARA ANÁLISIS DESCRIPTIVO Y EXPLORATORIO DE DATOS. INTRODUCCIÓN

Más detalles

DESARROLLO DE LA PROGRAMACIÓN PARA 4º ESO Opción B. Bloque 1. Contenidos comunes.

DESARROLLO DE LA PROGRAMACIÓN PARA 4º ESO Opción B. Bloque 1. Contenidos comunes. DESARROLLO DE LA PROGRAMACIÓN PARA 4º ESO Opción B Contenidos mínimos según real decreto 1631/2006 Bloque 1. Contenidos comunes. o Planificación y utilización de procesos de razonamiento y estrategias

Más detalles

Presupuesto de Capital Concepto y presupuestación de capital Prof. Lic. Arnoldo Araya L., MBA Marzo 2007

Presupuesto de Capital Concepto y presupuestación de capital Prof. Lic. Arnoldo Araya L., MBA Marzo 2007 UNIVERSIDAD LATINA Curso:Finanzas II Presupuesto de Capital Concepto y presupuestación de capital Prof. Lic. Arnoldo Araya L., MBA Marzo 2007 Estudios de los Proyectos El proyecto surge como respuesta

Más detalles

TEMA : MEDICION - REQUISITOS- PROCEDIMIENTO PARA CONSTRUIR UN INSTRUMENTO DE MEDICION

TEMA : MEDICION - REQUISITOS- PROCEDIMIENTO PARA CONSTRUIR UN INSTRUMENTO DE MEDICION TEMA : MEDICION - REQUISITOS- PROCEDIMIENTO PARA CONSTRUIR UN INSTRUMENTO DE MEDICION Resumen Cap. 8 del libro Introducción a la Investigación Pedagógica de Ary, Jacobs y Razavieh y cap 9. del libro Metodología

Más detalles

7.- PRUEBA DE HIPOTESIS

7.- PRUEBA DE HIPOTESIS 7.- PRUEBA DE HIPOTEI 7.1. INTRODUCCIÓN La estadística inferencial es el proceso de usar la información de una muestra para describir el estado de una población. in embargo es frecuente que usemos la información

Más detalles

Planificación y control de proyectos. 1. Gestión del tiempo 2. Planificación y programación 3. Método PERT LA GESTIÓN DEL TIEMPO

Planificación y control de proyectos. 1. Gestión del tiempo 2. Planificación y programación 3. Método PERT LA GESTIÓN DEL TIEMPO Planificación y control de proyectos 1. Gestión del tiempo 2. Planificación y programación 3. Método PERT LA GESTIÓN DEL TIEMPO 1 Características del tiempo Atípico Equitativo Inelástico Indispensable

Más detalles

TITO : ENTORNO PARA SIMULACIÓN, ANÁLISIS Y SINTONÍA DE SISTEMAS CON CONTROL DESCENTRALIZADO 2X2

TITO : ENTORNO PARA SIMULACIÓN, ANÁLISIS Y SINTONÍA DE SISTEMAS CON CONTROL DESCENTRALIZADO 2X2 TITO : ENTORNO PARA SIMULACIÓN, ANÁLISIS Y SINTONÍA DE SISTEMAS CON CONTROL DESCENTRALIZADO 2X2 INTRODUCCIÓN En este documento se presenta el entorno desarrollado durante el trabajo de tesis de Francisco

Más detalles

POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers )

POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers ) CAPÍTULO 5 POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers ) Ya hemos trabajado antes con los principios básicos de la toma de decisiones

Más detalles

Validación de los métodos microbiológicos PROTOCOLO DE VALIDACIÓN

Validación de los métodos microbiológicos PROTOCOLO DE VALIDACIÓN Validación de los métodos microbiológicos PROTOCOLO DE VALIDACIÓN Norma ISO 17025 Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos a desarrollar Validación de métodos: Intentamos

Más detalles

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco

Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a

Más detalles

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA

UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES GUÍA 2: PROBABILIDADES Profesor: Hugo S. Salinas Segundo Semestre 2010 1. Describir el espacio muestral

Más detalles

Tutorial - Parte 2: Scoring

Tutorial - Parte 2: Scoring Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.

Más detalles

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas

SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA. PROF. Esther González Sánchez. Departamento de Informática y Sistemas SESIÓN PRÁCTICA 6: CONTRASTES DE HIPÓTESIS PROBABILIDAD Y ESTADÍSTICA PROF. Esther González Sánchez Departamento de Informática y Sistemas Facultad de Informática Universidad de Las Palmas de Gran Canaria

Más detalles

Máster en Project Management (PMP ) Objetivos del Programa

Máster en Project Management (PMP ) Objetivos del Programa Máster en Project Management (PMP ) Objetivos del Programa Asignatura: Estructura de Conocimiento de la Gestión de Proyectos Lección 1: Introducción El objetivo de la lección es empezar a conocer la filosofía

Más detalles

MÁQUINA DE VECTORES DE SOPORTE

MÁQUINA DE VECTORES DE SOPORTE MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Temas de electricidad II

Temas de electricidad II Temas de electricidad II CAMBIANDO MATERIALES Ahora volvemos al circuito patrón ya usado. Tal como se indica en la figura, conecte un hilo de cobre y luego uno de níquel-cromo. Qué ocurre con el brillo

Más detalles

Programación de Actividades - Carta Gantt.

Programación de Actividades - Carta Gantt. Programación de es - Carta Gantt. Un proyecto se puede definir como un plan, al que si se le asignan determinados montos de capital, permite la organizar la producción en actividades interrelacionadas,

Más detalles

MATEMÁTICAS 3º CURSO DE ESO INFORMACIÓN PARA LOS ALUMNOS

MATEMÁTICAS 3º CURSO DE ESO INFORMACIÓN PARA LOS ALUMNOS I.E.S. Dr. FLEMING (OVIEDO) DEPARTAMENTO DE MATEMÁTICAS MATEMÁTICAS 3º CURSO DE ESO INFORMACIÓN PARA LOS ALUMNOS Estas hojas son un resumen de la Programación Didáctica que está a disposición de los alumnos

Más detalles

ANALISIS MULTIVARIANTE

ANALISIS MULTIVARIANTE ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,

Más detalles

1. INVERSA DE UNA MATRIZ REGULAR

1. INVERSA DE UNA MATRIZ REGULAR . INVERSA DE UNA MATRIZ REGULAR Calcular la inversa de una matriz regular es un trabajo bastante tedioso. A través de ejemplos se expondrán diferentes técnicas para calcular la matriz inversa de una matriz

Más detalles

Algoritmos Genéticos Y

Algoritmos Genéticos Y Algoritmos Genéticos Y Optimización n Heurística Dr. Adrian Will Grupo de Aplicaciones de Inteligencia Artificial Universidad Nacional de Tucumán awill@herrera.unt.edu.ar Algoritmos Genéticos - Operadores

Más detalles

ANÁLISIS ESTADÍSTICO DE DATOS USANDO MINITAB

ANÁLISIS ESTADÍSTICO DE DATOS USANDO MINITAB ANÁLISIS ESTADÍSTICO DE DATOS USANDO MINITAB Tercera Edición EDGAR ACUÑA FERNANDEZ UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ DEPARTAMENTO DE MATEMATICAS e-mail:edgar@math.uprm.edu homepage:math.uprm.edu/~edgar

Más detalles

1 Ejemplo de análisis descriptivo de un conjunto de datos

1 Ejemplo de análisis descriptivo de un conjunto de datos 1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos

Más detalles

Estudio y Diseño de la Configuración de Link Adaptation para Servicios Multimedia en Sistemas Avanzados de Comunicaciones Móviles

Estudio y Diseño de la Configuración de Link Adaptation para Servicios Multimedia en Sistemas Avanzados de Comunicaciones Móviles Estudio y Diseño de la Configuración de Link Adaptation para Servicios Multimedia en Sistemas Avanzados de Comunicaciones Móviles AUTOR: Miguel López Benítez DIRECTOR: Dr. Javier Gozálvez Sempere Ingeniería

Más detalles

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1

Fundamentos de Investigación de Operaciones Investigación de Operaciones 1 Fundamentos de Investigación de Operaciones Investigación de Operaciones de agosto de 200. Estandarización Cuando se plantea un modelo de LP pueden existir igualdades y desigualdades. De la misma forma

Más detalles

Unidad IV: Identificación y cuantificación de riesgos financieros Parte II: Análisis de Pre y Post-simulación estocástica

Unidad IV: Identificación y cuantificación de riesgos financieros Parte II: Análisis de Pre y Post-simulación estocástica Unidad IV: Identificación y cuantificación de riesgos financieros Parte II: Análisis de Pre y Post-simulación estocástica INTRODUCCIÓN El propósito de este documento es explicar la metodología propuesta

Más detalles

CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES

CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES CAPÍTULO 3. ALGORITMOS DE PREVISIÓN BASADOS EN LA EXTRAPOLACIÓN DE LOS DATOS MÁS RECIENTES El objetivo de esta tesina es la introducción de mejoras en la previsión meteorológica a corto plazo. El punto

Más detalles

Comente: Los bancos siempre deberían dar crédito a los proyectos rentables. Falso, hay que evaluar la capacidad de pago.

Comente: Los bancos siempre deberían dar crédito a los proyectos rentables. Falso, hay que evaluar la capacidad de pago. Explique Brevemente en que consiste el leasing y nombre los diferentes tipos existentes. Es un mecanismo de financiamiento de Activos el cual permite el uso del activo por un periodo determinado a cambio

Más detalles

CAPÍTULO 4. DISEÑO CONCEPTUAL Y DE CONFIGURACIÓN. Figura 4.1.Caja Negra. Generar. Sistema de control. Acumular. Figura 4.2. Diagrama de funciones

CAPÍTULO 4. DISEÑO CONCEPTUAL Y DE CONFIGURACIÓN. Figura 4.1.Caja Negra. Generar. Sistema de control. Acumular. Figura 4.2. Diagrama de funciones CAPÍTULO 4 37 CAPÍTULO 4. DISEÑO CONCEPTUAL Y DE CONFIGURACIÓN Para diseñar el SGE, lo primero que se necesita es plantear diferentes formas en las que se pueda resolver el problema para finalmente decidir

Más detalles

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA

Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA Tratamiento y Transmisión de Señales Ingenieros Electrónicos SEGUNDA PRÁCTICA NOTA: en toda esta práctica no se pueden utilizar bucles, para que los tiempos de ejecución se reduzcan. Esto se puede hacer

Más detalles

GESTIÓN DE INDICADORES

GESTIÓN DE INDICADORES GESTIÓN DE INDICADORES Objetivos Conocer los fundamentos del control de procesos necesarios para la formulación de indicadores que sean pertinentes. Establecer las pautas y parámetros, a través de los

Más detalles

Nombre del polinomio. uno monomio 17 x 5 dos binomio 2x 3 6x tres trinomio x 4 x 2 + 2

Nombre del polinomio. uno monomio 17 x 5 dos binomio 2x 3 6x tres trinomio x 4 x 2 + 2 SISTEMA DE ACCESO COMÚN A LAS CARRERAS DE INGENIERÍA DE LA UNaM III. UNIDAD : FUNCIONES POLINÓMICAS III..1 POLINOMIOS La expresión 5x + 7 x + 4x 1 recibe el nombre de polinomio en la variable x. Es de

Más detalles

Patrones de crecimiento infantil de la OMS

Patrones de crecimiento infantil de la OMS Patrones de crecimiento infantil de la OMS Longitud/estatura para la edad, peso para la edad, peso para la longitud, peso para la estatura e índice de masa corporal para la edad Métodos y desarrollo Departamento

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

Por qué tomar muestras? Si queremos conocer una población, Por qué no tomar una muestra de toda la población?, Por qué no hacer un censo?

Por qué tomar muestras? Si queremos conocer una población, Por qué no tomar una muestra de toda la población?, Por qué no hacer un censo? Página 1 de 8 CAPÍTULO 2: MUESTREO En el capítulo anterior hablamos de que para tomar decisiones en Estadística primero debemos formular una hipótesis a partir de la teoría del investigador. Una vez formulada

Más detalles

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1

Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 Administración de Empresas. 11 Métodos dinámicos de evaluación de inversiones 11.1 TEMA 11: MÉTODOS DINÁMICOS DE SELECCIÓN DE INVERSIONES ESQUEMA DEL TEMA: 11.1. Valor actualizado neto. 11.2. Tasa interna

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Tratamiento borroso del intangible en la valoración de empresas de Internet

Tratamiento borroso del intangible en la valoración de empresas de Internet Tratamiento borroso del intangible en la valoración de empresas de Internet Mª Carmen Lozano Gutiérrez Federico Fuentes Martín Esta página está alojada por el Grupo EUMED.NET de la Universidad de Málaga

Más detalles

MODELOS DE RECUPERACION

MODELOS DE RECUPERACION RECUPERACIÓN Y ORGANIZACIÓN DE LA INFORMACIÓN INGENIERÍA INFORMÁTICA RECUPERACIÓN Y ACCESO A LA INFORMACIÓN MODELOS DE RECUPERACION AUTOR: Rubén García Broncano NIA 100065530 grupo 81 1 INDICE 1- INTRODUCCIÓN

Más detalles

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS

Eduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos

Más detalles

CAPÍTULO III MARCO TEÓRICO. Cada día cambian las condiciones de los mercados debido a diferentes factores como: el

CAPÍTULO III MARCO TEÓRICO. Cada día cambian las condiciones de los mercados debido a diferentes factores como: el CAPÍTULO III MARCO TEÓRICO 3.1 Introducción Cada día cambian las condiciones de los mercados debido a diferentes factores como: el incremento de la competencia, la globalización, la dinámica de la economía,

Más detalles

mcd y mcm Máximo Común Divisor y Mínimo Común múltiplo www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx

mcd y mcm Máximo Común Divisor y Mínimo Común múltiplo www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx mcd y mcm Máximo Común Divisor y Mínimo Común múltiplo www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 2007-2008 Contenido 1. Divisores de un número entero 2 2. Máximo común divisor

Más detalles

Software de Particle Tracking Version 1.0

Software de Particle Tracking Version 1.0 Software de Particle Tracking Version 1.0 Martín Pastor Laboratorio de Medios Granulares Departamento de Física y Matemática Aplicada Universidad de Navarra Enero, 2007 Índice general 1. Introducción 3

Más detalles

PRC-DTI-006 Administración de Roles de los Sistemas de Información de la DTI Procedimiento Dirección de TI - COSEVI

PRC-DTI-006 Administración de Roles de los Sistemas de Información de la DTI Procedimiento Dirección de TI - COSEVI PRC-DTI-006 Administración de Roles de los Sistemas de Información de la DTI Procedimiento Dirección de TI - COSEVI Versión: 1.0 Fecha de la versión: Febrero del 2012 Creado por: PwC Costa Rica Aprobado

Más detalles

La base de datos Panel de Innovación Tecnológica (PITEC) Mayo 2011

La base de datos Panel de Innovación Tecnológica (PITEC) Mayo 2011 La base de datos Panel de Innovación Tecnológica (PITEC) Mayo 2011 Indice 1. PITEC 2. Datos, actualización y accesibilidad Nota: Acceso a los datos no anonimizados 3. Muestras Nota: Utilización de la muestra

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

EVALUACIÓN N DE PROYECTOS. Eco. Juan Carlos Gilardi PROMPEX Marzo 2007

EVALUACIÓN N DE PROYECTOS. Eco. Juan Carlos Gilardi PROMPEX Marzo 2007 EVALUACIÓN N DE PROYECTOS Eco. Juan Carlos Gilardi PROMPEX Marzo 2007 DEFINICION Evaluar un proyecto implica identificar y cuantificar creativamente costos y beneficios de una idea o alternativa con el

Más detalles

Sistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA. Universidad Tecnológica De Pereira

Sistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA. Universidad Tecnológica De Pereira 2010 Sistemas de Generación de Energía Eléctrica HIDROLOGÍA BÁSICA Universidad Tecnológica De Pereira Conceptos Básicos de Hidrología La hidrología es una ciencia clave en el estudio de los sistemas de

Más detalles

Examen de la asignatura "Estadística aplicada a las ciencias sociales" Profesor Josu Mezo. 9 de junio de 2008.

Examen de la asignatura Estadística aplicada a las ciencias sociales Profesor Josu Mezo. 9 de junio de 2008. Examen de la asignatura "Estadística aplicada a las ciencias sociales" Profesor Josu Mezo. 9 de junio de 2008. Pregunta nº 1 (5 puntos). En una base de datos sobre los países del mundo se incluyen una

Más detalles

UNIDAD I NÚMEROS REALES

UNIDAD I NÚMEROS REALES UNIDAD I NÚMEROS REALES Los números que se utilizan en el álgebra son los números reales. Hay un número real en cada punto de la recta numérica. Los números reales se dividen en números racionales y números

Más detalles

Planificación para el aula

Planificación para el aula Bachillerato Planificación para el aula Documentos pedagógicos Autora: María Gabriela Moncayo S. La planificación de aula es la organización metódica para obtener los objetivos pedagógicos que se han propuesto

Más detalles

Líneas de espera. Introducción.

Líneas de espera. Introducción. Líneas de espera. Introducción. En este capítulo se aplica la teoría de colas. Una Cola es una línea de espera y la teoría de colas es una colección de modelos matemáticos que describen sistemas de líneas

Más detalles

El concepto de asociación estadística. Tema 6 Estadística aplicada Por Tevni Grajales G.

El concepto de asociación estadística. Tema 6 Estadística aplicada Por Tevni Grajales G. El concepto de asociación estadística Tema 6 Estadística aplicada Por Tevni Grajales G. En gran medida la investigación científica asume como una de sus primera tareas, identificar las cosas (características

Más detalles

Capítulo 6. Modificar archivos de datos. Ordenar casos

Capítulo 6. Modificar archivos de datos. Ordenar casos Capítulo 6 Modificar archivos de datos Los archivos de datos no siempre están organizados de forma idónea. En ocasiones podemos desear cambiar el orden de los casos, o transponer las filas y las columnas,

Más detalles

Anexo 4. Herramientas Estadísticas

Anexo 4. Herramientas Estadísticas Anexo 4 Herramientas Estadísticas La estadística descriptiva es utilizada como una herramienta para describir y analizar las características de un conjunto de datos, así como las relaciones que existen

Más detalles

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS

TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 1 1 BASES DE DATOS DISTRIBUIDAS TEMA 3 PROFESOR: M.C. ALEJANDRO GUTIÉRREZ DÍAZ 2 3. PROCESAMIENTO DE CONSULTAS DISTRIBUIDAS 3.1 Metodología del procesamiento de consultas distribuidas 3.2 Estrategias de

Más detalles

Capítulo 9. Regresión lineal simple

Capítulo 9. Regresión lineal simple Capítulo 9. Regresión lineal simple 9.1 Introducción Uno de los aspectos más relevantes de la Estadística es el análisis de la relación o dependencia entre variables. Frecuentemente resulta de interés

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 2. Presentación del paquete estadístico Statgraphics. Estadística Descriptiva 3 2.1. Ventanas de Statgraphics.................................... 3 2.1.1. Barras de menú, de herramientas

Más detalles

A partir de los resultados que se obtuvieron en el análisis estadístico de las imágenes de

A partir de los resultados que se obtuvieron en el análisis estadístico de las imágenes de Conclusiones A partir de los resultados que se obtuvieron en el análisis estadístico de las imágenes de rostros y en los diversos experimentos realizados, se concluye: Debido a la amplia posibilidad de

Más detalles

Centro de Capacitación en Informática

Centro de Capacitación en Informática Fórmulas y Funciones Las fórmulas constituyen el núcleo de cualquier hoja de cálculo, y por tanto de Excel. Mediante fórmulas, se llevan a cabo todos los cálculos que se necesitan en una hoja de cálculo.

Más detalles

MATEMÁTICAS aplicadas a las Ciencias Sociales II

MATEMÁTICAS aplicadas a las Ciencias Sociales II MATEMÁTICAS aplicadas a las Ciencias Sociales II UNIDAD 1: SISTEMAS DE ECUACIONES. MÉODO DE GAUSS Sistemas de ecuaciones lineales Sistemas equivalentes. Transformaciones que mantienen la equivalencia.

Más detalles

Comunicaciones Digitales - Ejercicios Tema 3

Comunicaciones Digitales - Ejercicios Tema 3 Comunicaciones Digitales - Ejercicios Tema 3 007. 1. Considere el diagrama de rejilla para un canal discreto equivalente genérico con 4 coeficientes no nulos (memoria K p = 3) y una constelación -PAM.

Más detalles